🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Choco는 OpenAI API를 기반으로 이메일·문자·음성·이미지 등 다양한 주문 입력을 구조화된 ERP 주문으로 자동 변환하며, 글로벌 식품 유통망의 수작업 병목을 줄이고 상시 운영 체계를 구축하고 있다.

📌 핵심 요약

• Choco는 미국, 영국, 유럽, GCC 지역에서 2만1천 개 이상의 유통업체와 10만 명 이상의 구매자를 연결하는 식음료 유통 플랫폼으로, 주문·영업·고객 관리를 하나의 시스템으로 통합해 공급망 운영을 현대화하고 있다.
• 주문량이 늘어나면서 이메일, 문자, 음성메시지, 이미지, 손글씨 메모 등 비정형 입력을 사람이 ERP 주문으로 옮기는 과정이 확장성과 정확성의 핵심 병목이 되었고, 고객별 SKU 매핑·단위 선호·배송 패턴 같은 암묵지가 특히 어려운 문제로 드러났다.
• Choco는 OpenAI API를 플랫폼 핵심에 내장해 OrderAgent와 VoiceAgent를 구축했다. OrderAgent는 멀티모달 주문 입력을 ERP에 넣을 수 있는 구조화된 주문으로 바꾸고, VoiceAgent는 Realtime API를 활용해 고객이 전화로 자연스럽게 주문할 수 있게 한다.
• 구현 과정에서는 음성-텍스트 변환, 임베딩, 함수 호출, 구조화 출력 등을 빠르게 통합했고, 실제 운영 품질을 확보하기 위해 정답 데이터셋, 지속 모니터링, A/B 테스트를 포함한 평가 체계를 구축했다.
• 성과로는 연간 880만 건 이상의 주문 처리, 수작업 주문 입력 최대 50% 감소, 추가 인력 없이 영업팀 생산성 2배 향상, 설정 가능한 자동화 기준 아래 1~5% 미만 오류율 유지, 야간·주말 지연 없는 24시간 주문 접수가 제시됐다.

🧩 주요 포인트

1. Choco는 미국, 영국, 유럽, GCC 지역에서 2만1천 개 이상의 유통업체와 10만 명 이상의 구매자를 연결하는 식음료 유통 플랫폼으로, 주문·영업·고객 관리를 하나의 시스템으로 통합해 공급망 운영을 현대화하고 있다.
2. 주문량이 늘어나면서 이메일, 문자, 음성메시지, 이미지, 손글씨 메모 등 비정형 입력을 사람이 ERP 주문으로 옮기는 과정이 확장성과 정확성의 핵심 병목이 되었고, 고객별 SKU 매핑·단위 선호·배송 패턴 같은 암묵지가 특히 어려운 문제로 드러났다.
3. Choco는 OpenAI API를 플랫폼 핵심에 내장해 OrderAgent와 VoiceAgent를 구축했다. OrderAgent는 멀티모달 주문 입력을 ERP에 넣을 수 있는 구조화된 주문으로 바꾸고, VoiceAgent는 Realtime API를 활용해 고객이 전화로 자연스럽게 주문할 수 있게 한다.
4. 구현 과정에서는 음성-텍스트 변환, 임베딩, 함수 호출, 구조화 출력 등을 빠르게 통합했고, 실제 운영 품질을 확보하기 위해 정답 데이터셋, 지속 모니터링, A/B 테스트를 포함한 평가 체계를 구축했다.
5. 성과로는 연간 880만 건 이상의 주문 처리, 수작업 주문 입력 최대 50% 감소, 추가 인력 없이 영업팀 생산성 2배 향상, 설정 가능한 자동화 기준 아래 1~5% 미만 오류율 유지, 야간·주말 지연 없는 24시간 주문 접수가 제시됐다.

🧠 상세 정리

1. 식품 유통 주문 처리의 구조적 병목

Choco는 식당, 공급업체, 유통업체를 하나의 시스템으로 연결해 식음료 유통을 현대화하는 AI 기반 플랫폼이다. 회사는 미국, 영국, 유럽, GCC 전역에서 2만1천 개 이상의 유통업체와 10만 명 이상의 구매자를 지원한다. 그러나 주문량이 커지자 기존 운영 방식의 한계가 분명해졌다. 주문은 여전히 이메일, 문자, 음성메시지, 이미지, 손글씨 메모처럼 제각각의 형식으로 들어왔고, 직원들이 이를 ERP에 입력 가능한 구조화 주문으로 바꿔야 했다. 이 과정은 느리고 오류가 발생하기 쉬웠으며, 규모 확장에 직접적인 마찰을 만들었다.

2. 단순 입력 변환보다 어려웠던 암묵지 문제

Choco가 직면한 핵심 과제는 비정형 입력을 읽어내는 것에만 있지 않았다. VP Engineering인 Narbeh Mirzaei는 실제 어려움이 고객별 SKU 매핑, 단위 선호, 배송 패턴 같은 암묵적 맥락을 처리하는 데 있었다고 설명한다. 이런 정보는 주문 데스크 담당자의 머릿속에 축적된 지식이었고, 시스템은 주문을 받는 순간 그 모호성을 해소해야 했다. 따라서 Choco의 목표는 단순 자동화가 아니라 고객별 주문 이력과 카탈로그를 바탕으로 맥락을 추론하는 계층을 만드는 것이었다. 이 지점에서 생산 가능한 LLM의 등장은 워크플로 소프트웨어를 넘어 실제 업무를 수행하는 AI 시스템으로 전환할 기회가 되었다.

3. OrderAgent와 VoiceAgent의 도입

Choco는 OpenAI API를 플랫폼의 핵심에 내장해 AI 네이티브 제품군을 구축했다. 대표적으로 OrderAgent는 이메일, SMS, 이미지, 문서 등 멀티모달 입력을 처리해 ERP에 바로 사용할 수 있는 구조화된 주문으로 변환한다. 이 시스템은 단순 전사나 추출 기능 위에 머무르지 않고, 고객의 주문 이력과 카탈로그를 참조해 모호한 표현을 해석하도록 설계됐다. 또한 Choco는 OpenAI의 Realtime API를 기반으로 VoiceAgent도 만들었다. 이를 통해 고객은 업무시간 외에도 전화로 자연스럽게 주문할 수 있으며, 시스템은 짧은 지연 시간으로 주문 접수를 지원한다.

4. 통합 구현과 운영 품질 확보 방식

Choco가 OpenAI를 선택한 이유는 모델 성능, 멀티모달 역량, 구조화 출력, 대규모 운영 안정성에 있었다. 텍스트, 비전, 오디오를 하나의 생태계 안에서 다룰 수 있었기 때문에 이전에는 분리되어 있던 주문 채널과 업무 흐름을 하나의 지능형 시스템으로 통합할 수 있었다. 구현도 빠르게 진행되어 OpenAI SDK와 API를 활용해 음성-텍스트 변환, 임베딩, 함수 호출 같은 기능을 인프라에 결합했다. 동시에 회사는 운영 환경에서 정확도와 성능을 검증하기 위해 정답 데이터셋, 지속 모니터링, A/B 테스트를 포함한 평가 프레임워크를 구축했다. 이는 AI 시스템을 실제 업무에 투입하기 위한 신뢰 기반으로 작동했다.

5. 사용자 채택을 이끈 워크플로 적응성

Choco의 도입 전략에서 중요한 점은 고객에게 주문 방식을 바꾸라고 요구하지 않았다는 것이다. 고객은 기존처럼 전화, 문자, 이메일 등 익숙한 채널로 주문했고, 시스템이 그 방식에 맞춰 적응했다. Daniel Khachab 공동창업자 겸 CEO는 고객이 자기 주문이 실제로 처리되는 것을 본 뒤 신뢰가 빠르게 형성되었고, 그때부터 채택이 가속화됐다고 설명한다. 또한 선택형 Autopilot 모드를 통해 신뢰도 기준을 충족하는 주문은 자동 처리하고, 예외 상황은 사람이 검토하도록 했다. 시간이 지나면서 시스템은 수정 사항을 학습해 정확도와 신뢰성을 계속 높이는 구조로 운영됐다.

6. 성과와 앞으로의 확장 방향

Choco는 이 시스템을 통해 연간 880만 건 이상의 주문을 처리하고 있으며, 수백만 건의 수작업 워크플로를 제거했다고 설명한다. 수작업 주문 입력은 최대 50% 줄었고, 팀은 더 높은 가치의 업무에 집중할 수 있게 됐다. 영업팀 생산성은 추가 인력 없이 2배 향상되었으며, 설정 가능한 자동화 임계값 아래 오류율은 1~5% 미만으로 유지됐다. 또한 24시간 주문 접수가 가능해져 야간과 주말로 인한 지연도 줄었다. 앞으로 Choco는 영업, 커머스, 공급망 운영 전반에서 더 자율적이고 맥락 인식이 가능한 시스템으로 OpenAI API 활용을 확대하고, 비엔지니어가 에이전트 오케스트레이터로 지능형 시스템을 설계·관리하는 방향을 추진하고 있다.

🧾 핵심 주장 / 시사점

• Choco 사례의 핵심은 AI가 기존 주문 화면을 개선한 것이 아니라, 고객이 이미 사용하던 이메일·전화·문자·이미지 채널을 흡수해 업무 실행 계층으로 바꿨다는 점이다.
• AI 자동화의 난점은 입력 인식 자체보다 고객별 SKU, 단위, 배송 습관 같은 운영 암묵지를 어떻게 모델 추론과 평가 체계 안에 넣느냐에 있었다.
• 신뢰도 기준 기반 Autopilot, 사람 검토, 지속 학습, 평가 데이터셋을 함께 둔 구조는 확률적 AI를 실제 공급망 운영에 적용할 때 필요한 현실적 운영 모델을 보여준다.

✅ 액션 아이템

• 원문에서 강조한 핵심 변화와 이해관계자를 기준으로 Choco automates food distribution with AI agents | OpenAI의 영향을 정리한다.
• 다음 의사결정이나 제품/정책 판단에 연결될 수 있는 근거를 원문 문장과 함께 기록한다.
• 기사에서 제시한 수치·사례·제약 조건을 분리해 과장 없이 검토한다.
• 후속 모니터링이 필요한 발표·제품·정책 변화가 있는지 출처 링크를 기준으로 추적한다.

❓ 열린 질문

• By connecting restaurants, suppliers, and distributors into a unified system, Choco streamlines ordering, sales, and customer management across the food supply chain. 이 변화가 실제 사용자나 조직의 선택 기준을 어떻게 바꿀까?
• As order volumes grew, Choco hit a major bottleneck: orders still arrived through emails, texts, voicemails, images, and even handwritten notes. 이 근거가 다른 산업이나 지역에서도 동일하게 적용될 수 있을까?
• Teams manually translated those inputs into structured ERP orders—a slow, error prone process that limited scale and created constant operational friction. 기사에서 아직 검증되지 않은 전제나 리스크는 무엇일까?
• “Processing those inputs was the first barrier, but not the hardest one. 후속 발표나 데이터가 나오면 어떤 지표를 먼저 비교해야 할까?